Recommended
More Related Content
Similar to 機械学習のウソとホント - Machine Learning in the Wild
Similar to 機械学習のウソとホント - Machine Learning in the Wild (20)
機械学習のウソとホント - Machine Learning in the Wild
- 1. Mar-26 2018 Shinichi Hashitani Manulife Japan AI Study Group - ドラクエとAlpha Go - 機械学習とデータ - AIボット解剖図
- 2. 2 自己紹介 橋谷 信一 | 氏名 Asia Technology Office | 所属 アプリケーション アーキテクチャ | 専門 Java、ES6、Python、Ruby、英語 | 言語 Grakn.ai (グラフDB)、Bot、マイクロサービス | 最近 Kubernetes、NodeJS、VueJS、Elasticsearch | 興味 最近はQiitaにも記事書いてます
- 5. 「AI」と「ウミウシ」で検索してGO！ • 機械学習AIは自律的ではない • 機械学習アルゴリズムはただひとつの仕事しかしない • AI開発には軍隊が必要 • 非常に厳格に問題を定義した場合のみ、 AIは適切な解法を学習できる 今日言いたかった事がとても上手く記載されている。仕事終了。 5 ドラクエとAlpha Go
- 6. 6
- 8. ドラゴンクエスト IV – AIバトルシステム 『ガンガンいこうぜ』『いのちだいじに』といった ポリシー（さくせん）を適用する事により、 自分以外のキャラクターが適時自己の判 断で行動するAIバトルシステムをシリーズ 初めて導入。 当然当時にはアルファ碁も深層学習も存 在せず、そもそも学習を「記憶」する事も出 来なかった。 ただ子供に「ソフトが自分で考えている」と 思わせるに充分な説得力があった。 8 ドラクエとAlpha Go
- 9. 仕組みはFINITE STATE MACHINE（有限オートマトン） 複雑な条件分岐では無く、アクターの振る舞いを「状態」とそれに対する「行動」を組み 合わせることにより、「状況に反応する」モデルを定義する。 自分や仲間のHPやMP、ポリシー、所持アイテム、敵の数や使用魔法等、変数を増や せばそれなりに「考えているっぽい」仕組みは作れるが、全て人間が定義している。 9 ドラクエとAlpha Go 「Using Finite State Machines in Baxi’s Ride Booking System」 ©Sahil Narian, 2017
- 12. イ・セドルに碁で勝った = AIは戦略的思考が出来る 「戦略的思考が必要でAIはプロ 棋士に勝てない」と言われる中、 強化学習型プログラムのAlpha Goが世界トップ棋士に勝ってし まった。 時折『神の一手』と形容される、 人間には思いつかない独創的な 手を打つ。深層学習モデルがベー スとなっている事で一躍脚光を浴 びる。 12 ドラクエとAlpha Go 「最終戦、韓国トップ棋士がソフトに敗北 “人類”の通算成績は１勝４敗」 ©産経新聞社, 2016 「涙を見せた柯潔９段、「アルファ碁との対局、苦しかった」」 ©Dong-A Ilbo, 2017
- 13. 深層学習も「考える」わけではない 平たく言うと、深層学習はとてつもなく複雑なプ ログラムの「メタモデル」を定義出来る手法。条 件分岐やFSMでは不可能な複雑さであり、プ ログラミングで表現する事は無理。 このメタモデルを、「学習」と呼ばれる実データの 評価を通して構築する。学習を行わせる以外 にメタモデルを更新する術は無い。 Alpha Goのアーキテクトも、Alpha Go自体 も、「何故この状況でこの一手なのか」を説明 する事も出来ない。全てはメタモデルの闇の中。 13 ドラクエとAlpha Go 「Deep Neural Networks: A Getting Started Tutorial」 ©1105 Media, 2014
- 18. 機械学習とAI ニューラルネットワーク系の機械学習は、AIの「錯覚させる」という最後の 課題に対して、何かしらの解を出しつつある技術。 仕組み上： • 100%の精度を求めるのには向かない • ある回答の論理的根拠を求める処理に向かない • 人間が感覚的に分かる、緩い関連性を掴むのが得意 最初の二つは落とし穴、避けて通る。最後が長所、ここを活用する。 18 ドラクエとAlpha Go
- 21. 21
- 25. 「カスタマ」と「クライアント」を繋げる仕事 人とビジネスを繋げ、そのマッチ ングへの成果報酬を受けるビ ジネスモデル。 • クライアントにとって効果的 なレコメンデーションをカスタ マ分析から提供 • カスタマへの広告/ポイント 付与の最適化 25 機械学習とデータ 「リクルートのビジネスモデルと横断データ基盤の紹介」 ©Recruit Technologies, 2017
- 26. ビジネスで使える統計データをサクッと提供 • 特定クライアント（条件）にマッチしそうな顧客の優先度付け • 新たなセグメントの検出 • コンバージョン率最適化パスの算出 • 算出指数を元にしたオートイベント などなど。基本的には一次データを補完する形で二次データをBIツー ル等に供給する。自動的にアクションに繋げる条件としている場合もあ る。 26 機械学習とデータ 「リクルートのビジネスモデルと横断データ基盤の紹介」 ©Recruit Technologies, 2017
- 28. データ分析を「サクッ」と提供する為の基盤遍歴 28 機械学習とデータ 「リクルートのビジネスモデルと横断データ基盤の紹介」 ©Recruit Technologies, 2017 雑多&分断された 大量のデータを 巨大な統合分析 データ基盤に送り 柔軟なセグメント作成と分析実行 とデータ提供を実現する為に、さら にデータをクラウドへ
- 29. データ分析を「サクッ」と提供する為の血のにじむ努力 • ジョブ設計を抜本的に見直して処理時間短縮 • Spark化による処理速度の高速化 • Spannerに一元化しデータ転送量の最小化 • アプリの再構築（オートスケール&ノンブロッキング）による提供基盤強化 • 開発/リリース工程のパイプライン化 • 深層学習導入による絶対誤差の減少（アノマリー解析） 裏では全方位最適化の為に既存IT資産を適材適所の技術で作り変え 29 機械学習とデータ 「リクルートのビジネスモデルと横断データ基盤の紹介」 ©Recruit Technologies, 2017
- 31. 31
- 32. 32 AIボット解剖図
- 34. 案外一番AIの定義に近い使い方かも AIボットがこれまでの同種ボットと唯一異なるのは、「人間とやりとりしていると錯 覚させる」能力を持つか否か。 • 「今週末予定ある？」も「土日ヒマ？」も同じことを聞いていると分かる。 • 「土日ヒマ？」は分かって「土日は暇？」は分からないとかが無い。 • 短期バイトを探してて、「じゃあ新橋は？」と言えば新橋の短期バイトと分かる。 個々人の表現の「ゆらぎ」や、文脈から意図を推測する能力を有する（と錯覚さ せる）能力を持つのでAIボットと呼ばれる。（正確にはNLP(自然言語処理) ボット） 34 AIボット解剖図
- 36. 違うのは唯一、意図（INTENT）を理解する能力 36 AIボット解剖図 機械学習を用いて、完全に一致しない問いに対しても「おおまか言っている事 は同じ」と判断して意図（Intent）を特定する事が出来る。 週末は何してる？ 週末の用事は？ 週末の予定を聞いている。 今週末は用事があります。 Request Intent Response 週末は用事ある 何か週末予定は 今週末ヒマ？ 週末どうする
- 39. 39 AIボット解剖図 LINEにおけるNLPボットの先駆者 • 非常に高いNLP能力を持つことで有名 • LINEフレンズの数は200万超え • 5,000以上の独立したResponseが定義されて おり、これらは日々補正/拡張されている。 • 膨大なおしゃべりEntity（有名人、ミュージ シャン、テレビ番組、等）が登録されており、 通常会話における固有名詞をかなりの精度で 特定できる。 • 時間帯も理解し、天気に関する会話も分かる。 リクルートジョブズの「パン田一郎」くん
- 40. 40 AIボット解剖図 開発当初、まだ既製品のNLPボット サービスでまともに日本語を扱える ものが無かったので全て自作。 「賢い」の源は二カ所： • 膨大な辞書（Entity） • 多様な外部サービス （Fulfilment） 仕組みは結構エグい 「個人と対話するボットの裏側――大衆化するITの出口とバックエンド」 ©アイティメディア, 2015
- 42. AIって「人がどう感じるか」 コブクロが誰かが分かってると賢い。 東京タワーにいくまでにかかる時間を教えてくれるから賢い。 天気予報が調べれるって賢い。 今日の予定をリマインドしてくれるから賢い。 一般的に言われる「賢いAIボット」って、その賢さはデータ量とか外部サービスの 充実といった、これまでのITサービスの量的な充実度で達成できるもの。 42 AIボット解剖図
- 45. 45 AIボット解剖図
- 47. 47
- 49. 今機械学習に手を出すとたいてい火傷する件 「機械学習」と「深層学習」は 現在過度な期待が積みあがっ た絶頂期にある。 ここからしばらくは誤った認識や 適用による多大な失敗例が 屍を並べる時期に来ている。 『他社もやってるから』と安易に 手を出すと確実に火傷する。 49 おわりに「Top Trends in the Gartner Hype Cycle for Emerging Technologies, 2017」 ©Gartner, Inc., 2017